条件密度程序修改！！

ARCD.rar (22.02 KB)

2012-3-8 20:00:39 上传

正确的附件

本人想应用Hensan1994的ARCD，需要对作者的程序进行修改。自己改了一下出错了，提示如下，身心俱疲，实在不想看了，哪个大侠帮忙修改一下。多谢 了！！附件传多了，只需最上边免费的那个就行了。

Warning: Gradient must be provided for trust-region algorithm;
using line-search algorithm instead.
> In fminunc at 347
  In exc at 118
Local minimum possible.
fminunc stopped because it cannot decrease the objective function
along the current search direction.
<stopping criteria details>

Computing finite-difference Hessian using user-supplied objective function.
Likelihood Has Converged
Computing Test Statistics
Warning: Matrix is close to singular or badly scaled.
         Results may be inaccurate. RCOND = 2.942099e-025.
> In exc at 143
Warning: Matrix is close to singular or badly scaled.
         Results may be inaccurate. RCOND = 2.941126e-025.

Initial Parameter Vector 设定方法如下:
1.作者数据,作者模型
  E-views --GARCH(1,1)_Student_T
  GARCH = C(1) + C(2)*RESID(-1)^2 + C(3)*GARCH(-1)                                
                                
             Coefficient        Std. Error        z-Statistic        Prob.                                 
        Variance Equation                        
                                
C                          0.037810        0.021430        1.764307        0.0777
RESID(-1)^2        0.159378        0.037311        4.271560        0.0000
GARCH(-1)           0.844309        0.025869        32.63757        0.0000                                
T-DIST. DOF        8.481227        3.553939        2.386430        0.0170

nu=8.481227
df0=-log(27.9/(nu-2.1)-1)    %-1.2156

% Initial Parameter Vector %
b = [.03781  .159378 0.844309 -1.2156 0 0 0 0 0]';
%%%%%%%%
2.你的数据,作者模型
  E-views --GARCH(1,1)_Student_T
  GARCH = C(1) + C(2)*RESID(-1)^2 + C(3)*GARCH(-1)                                
                                
               Coefficient        Std. Error        z-Statistic        Prob.                                 
        Variance Equation                        
                                
C                          0.024609        0.013561        1.814703        0.0696
RESID(-1)^2        0.052365        0.011133        4.703726        0.0000
GARCH(-1)           0.943877        0.011440        82.50787        0.0000                                
T-DIST. DOF        6.547595        1.116192        5.866012        0.0000

nu=6.547595
df0=-log(27.9/(nu-2.1)-1)    % -1.6626

% Initial Parameter Vector %
b = [ 0.024609 0.052365 0.943877 -1.6626 0 0 0 0 0]';
%%%%%%%%
Conditional Mean:
Intercept    0.000000
Garch-M      0.000000
AR lag       0.000000
Squared      0.000000
Conditional Variance:
Arch lags    1.000000

I-Garch      0.000000
Conditional Density:
Student T    1.000000
Lags on residual    1.000000
Lags on squares    1.000000
Skew    1.000000
Lags on residual    1.000000
Lags on squares    1.000000

Estimation:

Conditional Mean

Conditional Variance
0.029909   0.016546   0.018221   0.246121   
0.066397   0.014695   0.017421   0.165095   
0.999974   0.005852   0.006164   0.221160   

Conditional Degrees of Freedom
-1.309376   0.509378   0.739532   0.371092   
-1.529608   0.691841   1.031085   0.135354   
0.334064   0.201206   0.292686   0.114695   

Conditional Skewness
-0.285848   0.080211   0.077108   0.480933   
0.025642   0.031978   0.027545   0.151919   
-0.004019   0.007499   0.005749   0.122430   

Log Likelihood  2950.614378
First four moments of standardized residuals
0.060676   0.025318
0.933738   0.046945
-0.086055   0.171954
4.069604   0.710936
Kolmogorov-Smirnov 1.631745
Cramer-Von Mises 0.667755

Joint  1.874494
var    0.529127
Tail    0.828839

%%%%%%%%%
3.  你的数据,你的模型
    E-views --GARCH(2,1)M_Student_T
  GARCH = C(6) + C(7)*RESID(-1)^2 + C(8)*RESID(-2)^2 + C(9)*GARCH(-1)                                
                                
             Coefficient        Std. Error        z-Statistic        Prob.  
                                
@SQRT(GARCH)        0.001192        0.079046        0.015074        0.9880
C                      0.176302        0.135419        1.301906        0.1929
AR(1)                0.025454        0.025894        0.983038        0.3256
AR(2)               -0.008270        0.025685        -0.321987        0.7475
AR(3)                0.063738        0.026705        2.386699        0.0170
                                
        Variance Equation                        
                                
C                          0.040312        0.017611        2.289053        0.0221
RESID(-1)^2        0.048423        0.030978        1.563175        0.1180
RESID(-2)^2        0.016806        0.032995        0.509362        0.6105
GARCH(-1)           0.928778        0.014169        65.54782        0.0000
                                
T-DIST. DOF        5.836450        0.943289        6.187341        0.0000

nu=5.836450
df0=-log(27.9/(nu-2.1)-1)    % -1.8667

% Initial Parameter Vector %
b = [0.176302 0.025454 -0.008270 0.063738 0.001192 0.040312 0.048423 0.016806 0.928778 -1.8667 0 0 0 0 0]'
%%%%%%%
Conditional Mean:
Intercept    1.000000
Garch-M      1.000000
AR lag       1.000000
AR lag2       1.000000
AR lag3       1.000000
Squared      0.000000
Conditional Variance:
Arch lags    1.000000
Arch lags    2.000000

I-Garch      0.000000
Conditional Density:
Student T    1.000000
Lags on residual    1.000000
Lags on squares    1.000000
Skew    1.000000
Lags on residual    1.000000
Lags on squares    1.000000

Estimation:

Conditional Mean
0.102692   0.150343   0.285798   0.420348   
0.003032   0.083964   0.151691   0.421528   
0.040369   0.030235   0.055271   0.022154   
0.053009   0.026496   0.043162   0.054511   
0.037182   0.026116   0.031336   0.194621   

Conditional Variance
0.040767   0.017821   0.020473   0.180501   
0.079541   0.039459   0.077074   0.189339   
-0.012050   0.039902   0.065092   0.141730   
0.995538   0.006492   0.007094   0.204512   

Conditional Degrees of Freedom
-1.864213   0.310374   0.516292   0.219712   
-0.324064   0.642873   2.856104   0.117623   
0.018633   0.127144   0.573926   0.081345   

Conditional Skewness
-0.186658   0.089469   0.127297   0.569725   
0.057015   0.035866   0.045282   0.156971   
-0.003773   0.007105   0.013044   0.103431   

Log Likelihood  2942.873827
First four moments of standardized residuals
-0.007357   0.025855
0.970043   0.049859
-0.267714   0.185596
4.547998   0.758344
Kolmogorov-Smirnov 0.793431
Cramer-Von Mises 0.098775

Joint  2.149224
Mean   0.887511
var    0.652404
Tail    0.306765

newmodel.m
   newmodel.rar (4.49 KB) 本附件包括：

• newmodel.m

2012-3-14 10:20:21 上传

顶下

epoh 发表于 2012-3-7 16:38
Initial Parameter Vector 设定方法如下:
1.作者数据,作者模型
  E-views --GARCH(1,1)_Student_T

感谢epoh老师，帮大忙了，耐心、水平高！！